一种带有误差修正的加权组合MIDAS碳排放量预测方法

本发明涉及碳排放量预测，特别涉及一种带有误差修正的加权组合midas碳排放量预测方法。

背景技术：

1、全球变暖已经成为当今世界面临的重大环境问题，碳排放量的持续增长被认为是导致全球变暖的主要原因之一，其中能源消耗是碳排放的主要来源。随着经济的快速增长，工业化和城市化导致能源需求激增，化石燃料的大量使用使二氧化碳等温室气体排放量不断攀升。因此，亟需开发一种能够精准预测二氧化碳排放量的方法，为应对全球气候变暖提供科学依据和行动指南。

2、关于碳排放量的预测研究，现有学者往往采用同频数据进行建模，通过加总方式使高频数据转化为低频数据，这不可避免会损失高频数据携带的有效信息。为了解决混频数据的建模和预测问题，ghysels等人提出了混频数据抽样(midas)模型，该模型直接利用原始数据从高频和低频变量中提取有用信息，避免由于变量同频化造成信息的损失，从而提高模型估计的有效性和预测的准确性。

3、中外学者针对碳排放量的混频预测研究也取得了较好的成绩，xu等人采用midas模型对中国电力行业的年度碳排放量进行预测，发现midas模型较自回归分布滞后模型具有更高的预测精度。zhao等人基于midas模型和反向传播(bp)神经网络的组合模型来预测gdp的增长对二氧化碳排放量的影响。秦华英等人采用自回归midas模型分析高频季度gdp对低频二氧化碳排放量的影响效应，结果说明了midas模型对二氧化碳排放量预测的合理性。

4、然而，当前大多数研究倾向于构建基于单变量的一元混频数据模型来预测碳排放量，但在现实中，碳排放量的变动往往受多种因素共同影响。随着变量的维度增加，变量间非线性特征愈发显著，混频数据模型只能识别和捕捉碳排放量变化的线性趋势，模型的解释能力有所减弱。

技术实现思路

1、本发明的目的在于：针对上述背景技术中存在的不足，提供一种带有误差修正的加权组合midas碳排放量预测方法，基于不同的加权策略构建ar-midas的组合预测模型，寻求预测中国碳排放量的最优模型形式；将门控循环单元(gru)引入混频数据预测模型中，以处理时间序列中的长期依赖关系，并应对变量间非线性问题，修正混频数据模型的预测误差，从而提高碳排放量的预测精度。

2、为了达到上述目的，本发明提供了一种带有误差修正的加权组合midas碳排放量预测方法，包括如下步骤：

3、s1：获取碳排放量和宏观经济指标的历史数据；

4、s2：对原始数据进行预处理；

5、s3：以宏观经济指标作为高频自变量，碳排放量作为低频因变量，构建ar-midas模型，通过不同的加权策略将多个单变量ar-midas模型进行组合预测；

6、s4：将最优组合模型的预测误差作为gru的输入，通过残差修正网络模型对预测结果进行修正。

7、进一步地，步骤s1中，获取碳排放量和宏观经济指标的历史数据是指从国家统计局获取1952年至2022年的宏观经济指标历史数据，所述宏观经济指标包括gdp、工业增加值、建筑业增加值和交通运输业增加值，从our world in data获取1952年至2022年的二氧化碳排放量历史数据。

8、进一步地，步骤s2中，所述数据预处理包括：

9、s21：缺失值检测与填补；

10、首先检查数据集中是否存在缺失值，如果存在，采用最近邻插值法来填补缺失值，以确保数据的完整性和分析的准确性；

11、s22：异常值识别与处理；

12、通过计算数据的均值、标准差、中位数、四分位数等统计指标，结合直方图、箱线图等可视化工具，判断数据中是否存在异常值，如果存在，采用平均值修正法进行，以消除异常值对后续分析可能带来的干扰；

13、s23：宏观经济指标转换；

14、考虑到中国自1992年起才开始公布季度gdp、季度工业增加值、季度建筑业增加值和季度交通运输业增加值等宏观经济指标数据，为了扩大时间范围，采用二次插值法将1952年至1992年的年度宏观经济指标数据转化为季度数据，从而丰富数据基础；

15、s24：同比增长率计算；

16、为了捕捉数据中的动态变化特征，量化分析碳排放量及相关宏观经济指标的变化趋势，分别计算碳排放量以及各宏观经济指标的同比增长率，同比增长率是通过比较当前时期与上一年同期的数据变化量占上一年同期数据量的百分比来获得的，这种处理方式有助于消除季节性波动和长期趋势的影响，使数据更加平滑和易于分析。

17、进一步地，步骤s3中，以宏观经济指标作为高频自变量，碳排放量作为低频因变量，构建ar-midas模型，通过不同的加权策略将多个单变量ar-midas模型进行组合预测，包括如下步骤：

18、s31：构建ar-midas模型；

19、ar-midas模型考虑了碳排放量自身的滞后效应，可以表示为：

20、

21、其中，y表示碳排放量的同比增长率，x表示宏观经济指标的同比增长率，表示权重函数和滞后算子的多项式函数，k为高频数据的最大滞后阶数，l是滞后算子，m表示高频数据和低频数据的频率倍数差，p是自回归滞后阶数，h是向前预测的步长，α,β,λ为未知参数，μ～n(0,σ2)为随机扰动项；

22、上式表示，第t年的碳排放量依赖于过去第p年的碳排放量以及过去k个季度相应的宏观经济指标的变动；

23、权重函数包括：almon权重函数、expalmon权重函数、beta权重函数、betann权重函数、非限制权重函数和分段函数(step)权重六种；

24、s32：构建加权组合midas模型；

25、组合预测模型的表达式如下：

26、

27、式中，表示组合预测结果，用n个加权个体预测的和来衡量，为t时刻预测的第n个结果，wn,t表示单个预测结果的权重；

28、加权策略包括以下几种形式：

29、aic加权法：

30、

31、bic加权法：

32、

33、msfe加权法与dmsfe加权法：

34、

35、其中，t0对应样本外预测的起点，ys和分别代表碳排放量的实际值和预测值，当δ＝1时，wn,t代表msfe权重，当δ＝0时，wn,t代表dmsfe权重。

36、进一步地，步骤s4中，将最优组合模型的预测误差作为gru的输入，通过残差修正网络模型对预测结果进行修正，包括如下步骤：

37、s41：选择最优组合预测模型；

38、采用均方根误差(rmse)来对比基于不同加权策略的组合模型预测精度，选择rmse最小的模型作为最优组合预测模型，rmse的表达式为：

39、

40、式中，ys和分别代表碳排放量的实际值和预测值；

41、s42：基于gru模型的误差修正；

42、将最优组合预测模型的预测结果与原始数据作差，得到一个误差序列，将该误差序列作为gru模型的输入，输出误差预测值，将所述误差预测值与最优组合模型的预测值叠加，得到最终预测结果，完成误差修正；

43、gru误差修正模型具体采用如下公式：

44、zt＝σ(wz·[ht-1,xt])

45、rt＝σ(wr·[ht-1,xt])

46、

47、

48、其中，zt和rt分别代表重置门和更新门，xt是t时刻的输入数据，ht和分别为t时刻的隐藏层状态和候选隐藏层状态，σ为激活函数，wr和wz分别是rt和zt的权重矩阵。

49、与现有技术相较，本发明的显著优势体现在以下几个方面：

50、1、考虑到碳排放量自身的滞后效应，本发明在传统的midas模型中引入自回归项，构建ar-midas模型，捕捉过去碳排放水平对当前碳排放的影响，从而提高预测的准确性。

51、2、由于碳排放量的波动受多种因素影响，为了降低预测误差的风险，本发明基于不同的加权策略构建ar-midas的组合预测模型，从单变量模型中提取并融合预测信息，提升预测的准确性，并增加预测结果的可靠性；

52、3、随着变量的维度增加，变量间非线性特征愈发显著，混频数据模型只能识别和捕捉碳排放量变化的线性趋势，基于此，本发明将gru引入混频数据模型中，使模型能够捕捉碳排放量的非线性特征，并有效处理时间序列中的长期依赖关系，修正混频数据模型的预测误差，从而提高碳排放量的预测精度。

53、下面通过附图和具体实施例，对本发明的技术方案做进一步的详细描述。